隨著運算基礎結構擴展,支援人工 智慧、高效能工作負載量和關鍵任務 企業系統,記憶體中每個活動位元組的可靠性 變得無法協商。對於運作全天候環境的組織而言, 更強的記憶體可靠性有助於保護效能、 維護資料完整性並降低代價高昂的停機風險。
什麼是 ECC 記憶體?
錯誤更正碼 (ECC) 記憶體是一種電腦記憶體, 使用演算法偵測並自動修正單位元錯誤 在威脅系統穩定性之前,標記多位元錯誤。 與標準非 ECC 記憶體模組不同,ECC 模組包含額外 記憶體晶片和專門用於錯誤偵測和 修正的電路。
ECC 記憶體透過在硬體層面持續監控記憶體 操作來維護資料完整性。當單一位元因 電子干擾或語境脈絡輻射而翻轉時,ECC 演算法 會識別錯誤的位元並將其恢復為正確的值, 而不會中斷系統運作或向應用 層發出警報。
ECC 記憶體於 20 世紀 90 年代首次在企業伺服器平台中廣泛應用, 當時 DRAM 密度的增加使得記憶體 單元更容易受到宇宙射線二次流和粒子引起的 位元翻轉的影響。如今,ECC 保護已成為資料 中心伺服器、科學運算和 AI 基礎結構的基本要求。
ECC 記憶體如何運作?
ECC 記憶體的工作原理是在每個記憶體字詞旁 儲存冗餘同位位元,使記憶體控制器能夠在每次讀取操作中偵測 和修正錯誤。這些額外的位元構成總和檢查碼,通常 源自漢明碼演算法,每次存取 資料時都會重新計算校驗和。
- 同位位元儲存:在每次記憶體寫入操作期間, 都會在每個資料字旁邊寫入額外的錯誤校驗位 。
- 總和檢查碼重新計算:記憶體控制器 重新計算每個讀取的總和檢查碼,並將其與 儲存的值作比較。
- 單位元修正:當偵測到一位錯誤時, 演算法會辨識出精確的位元位置,並自動將其 翻轉回正確的狀態。
- 多位標記:偵測到雙位元錯誤和多位元 錯誤後,會將錯誤訊息報告給作業系統或韌體,以便 系統做出相應的回應。
- 透明操作:所有錯誤更正 發生在硬體中,延遲極小,並且對 正在運行的應用程式不可見。
什麽 造成記憶體錯誤,以及如何避免錯誤?
記憶體錯誤是指儲存在記憶體中的一個或多個位元發生 意外變化。這種變化可能是暫時性的,稱為軟性 錯誤,或與記憶體硬體中的實體問題有關, 這被稱之爲硬性錯誤。這兩種類型都可能影響資料準確性和系統 穩定性,但由於不同原因發生。
1. 硬體瑕疵和磨損
記憶體錯誤可能源自於硬體 本身的物理問題。製造缺陷、損壞的記憶體元件、故障的連接、 過熱和長期的組件磨損都可能導致資料位元儲存 或讀取錯誤。這些稱為硬性錯誤,因為 底層硬體受到影響,其往往會在相同的記憶體 位置重複出現,直到模組被修復或更換。
2. 電子干擾和輻射
記憶體錯誤也可能由外部事件觸發,這些事件會干擾 儲存的資料,但不會損壞硬體。來自語境脈絡輻射的電噪聲、電壓 波動和高能量粒子會 改變記憶體元件中的電荷,導致位元翻轉。這些被稱為 軟性錯誤,一旦該位元被糾正或重寫, 記憶體通常會再次正常工作。
同位記憶體 如何進行錯誤檢查?
記憶體晶片上的資料會儲存為零和一。同位記憶體是一種 錯誤偵測方法,它使用額外的位元 (稱為 同位位元) 以提高資料的完整性。
在同位記憶體中,為資料位元序列末端的額外位元分配了空間, 該額外位元為同位位元。此同位位元的設定方式 使得二進位序列中的總個數, 包括同位位元本身,滿足特定條件。如果 如果目標是實現偶數同位,則設定同位位元, 使 1 的總數為偶數。如果目標是奇數同位,則調整同位位元 以確保 1 的總數為奇數。
例如,數字「100」的二進位表示是 1100100。為了應用同位,我們檢查 序列中 1 的總數。如果計數已經是奇數,則加入的同位位元將為「0」, 以保持計數為奇數。如果計數為偶數,則同位位元為「1」, 以使 1 的總數為奇數。在這種情況下,為了實現奇校驗, 我們將加入一個「0」使序列變為 11001000, 其中最後一個零是同位位元, 用於確保 1 的總數保持奇數。這意味著,如果系統 讀取到的序列中 1 的個數為偶數,則表示出現了問題,並且系統 已識別記憶體錯誤。
然而,同位記憶體有兩個主要限制。它只檢測奇數 個錯誤 (1、3、5 等) ,而且允許偶數個錯誤 (2、4、6 等) 通過。同位也無法修正錯誤-它只能偵測 它們。這就是 ECC 記憶體發揮作用的地方。
ECC 記憶體對比同位記憶體
同位記憶體可以偵測到錯誤,但無法修正受影響的 資料。ECC 記憶體透過偵測和 修正常見的單一位元錯誤來提供更強大的保護, 同時也能標記更複雜的錯誤以便系統級回應。
對於企業級記憶體而言,這種區別至關重要,因為工作負載通常 依賴持續運行和準確結果。ECC 記憶體支援 伺服器、資料中心、AI 基礎結構和其他關鍵任務環境中所需的可靠性, 在這些環境中,未偵測到的記憶體錯誤可能會 影響效能、可用性或資料完整性。
ECC RAM 的優勢
ECC 記憶體能夠識別並修正常見的記憶體錯誤, 防止其干擾關鍵工作負載量,協助保護資料完整性。對於 企業、資料中心和關鍵任務系統而言,這種額外的 保護可以降低資料損壞、系統不穩定和 計劃外停機時間的風險。
ECC 記憶體為必須持續運作並產生準確結果的基礎結構 提供了所需的可靠性。對於 AI、高效能運算、雲端 服務和系統等工作負載量,資料準確性尤其重要,因為資料準確性會直接影響業務 連續性。
什麼是 不同類型的記憶體錯誤?
軟性錯誤是指由外部事件 而非永久性硬體損壞所引起的儲存資料的暫時性變化。軟性錯誤可能在 電噪聲、電壓波動或來自語境脈絡輻射的高能 粒子擾亂記憶體元件中的電荷時發生。 即使該位元被修正 或重寫,硬體本身可能仍然可以正常工作。
- 硬性錯誤:由 記憶體硬體中的實體問題引起的持續性錯誤,例如晶片缺陷、 元件損壞、聯網故障或組件磨損。
- 軟性錯誤:由外部干擾 (例如電噪聲、電壓變化或語境脈絡 輻射) 引起的暫時性錯誤,會改變儲存的位,但不會物理損壞 記憶體晶片。
ECC 記憶體的歷史為何?
ECC 記憶體歷經七十餘年的發展,從理論 數學演變為現代運算 基礎結構的基礎需求。
- 1940 年代:美國數學家 Richard Hamming 在貝爾實驗室 (Bell Labs) 開發了首個錯誤更正碼,他提出的 漢明碼 (Hamming Code) 至今仍是錯誤更正碼演算法的基礎。
- 1950-1960 年代:早期的大型電腦採用 糾錯技術來解決 大規模運算環境中硬體的不可靠性問題。
- 1980-1990 年代:隨著 DRAM 容量的增加, 語境脈絡輻射和電子干擾造成更高的錯誤 速率,使 ECC 記憶體成為伺服器平台的標準需求 。
- 2000 年代:隨著全球資料中心部署的加速,ECC 記憶體 已在企業伺服器、科學運算和電信 基礎結構中廣泛應用。
- 2010 年代:大規模研究顯示 高密度 DRAM 的錯誤率非常顯著,足以影響雲端 和企業工作負載,使得 ECC 的認知遠遠超出了 傳統伺服器市場。
- 2020 年代:晶粒內建 ECC 在 DDR5 和 和 LPDDR5X 記憶體標準中成為強制要求,將糾錯電路直接 嵌入 DRAM 晶片中,以解決與 先進半導體製程節點相關的較高錯誤率。
ECC 記憶體的主要類型有哪些?
ECC 記憶體透過幾種不同的架構方法實現, 每種方法都針對特定的效能要求和 系統相容性約束進行了最佳化。ECC 類型的選擇取決於 應用程式對延遲開銷的容忍度以及 所需的保護等級。
1. 邊帶 ECC
邊帶 ECC (SBECC) 是傳統的伺服器級糾錯方法, 將 ECC 資料儲存於傳輸錯誤的個別專用 DRAM 晶片中 這些晶片透過額外的記憶體通道與資料一起傳輸糾錯碼。記憶體 控制器在運算時計算 ECC,在讀取時修正錯誤, 並將所有修正和偵測結果報告給作業系統或 韌體。
2. 內置 ECC
內置 ECC (IECC) 不需要額外的通道寬度, 因此與標準的非 ECC 記憶體模組相容。記憶體 控制器將實體位址空間劃分為專用部分, 用於 ECC 儲存裝置,在 不支援傳統 SBECC 的平台上實現 ECC 保護。
3. 晶粒內建 ECC
晶粒內建 ECC (ODECC)將糾錯電路直接嵌入到 DRAM 晶片內部, DRAM 晶片內部,使其對記憶體控制器不可見。 為了解決先進製程節點帶來的較高單元錯誤率, 所有 DDR5 和 LPDDR5X 記憶體解決方案都必須 採用 ODECC。ODECC 雖然可以修正晶片內部錯誤,但不會將修正結果報告 給主機系統。
4. 連結 ECC
鏈路 ECC 將糾錯功能新增至記憶體 控制器和 DRAM 模組之間的資料鏈路,而不是加入底層儲存裝置 媒體。控制器在寫入 DRAM 時運算並發送 ECC, 以驗證並修正到達時的錯誤。讀取時,DRAM 會計算 ECC,然後由控制器進行驗證。
ECC 對比非 ECC 記憶體
ECC 記憶體的設計旨在提高可靠性, 它能夠在常見的記憶體錯誤影響系統效能或資料 完整性之前檢測並修正這些錯誤。非 ECC 記憶體不具備相同的糾錯 能力,因此記憶體錯誤可能不會被注意到, 直到其導致應用程式崩潰、檔案損壞或產出不準確。因此, ECC 記憶體通常用於伺服器、工作站、資料 中心和其他關鍵任務系統,而非 ECC 記憶體則更常見於消費性 PC, 因為消費性 PC 通常優先考慮成本和速度,而非 進階錯誤保護。
如何使用 ECC 記憶體?
ECC 記憶體可在各種環境下保護活動資料的完整性, 防止記憶體錯誤造成嚴重後果。 它的應用遍及各個產業,在這些產業中,資料損壞、系統當機 或安防漏洞是不可接受的結果。
- 資料中心伺服器:企業和 雲端伺服器平台的標準配置,可保護事務資料庫、虛擬化 工作負載量和網路規模應用程式免受可能導致 崩潰或資料遺失的記憶體錯誤的影響。
- 人工智慧與機器學習:AI 訓練和 推理工作負載會處理數萬億個參數,其中單一 未修正的位元錯誤可能會破壞模型產出或使 長時間運行的訓練作業不穩定。
- 高效能運算:科學研究、 工程模擬和金融建模都依賴 ECC 記憶體 來確保計算結果在長時間的 計算運行中保持準確。
- 醫療系統:醫療影像平台, 電子健康記錄系統和醫院資訊系統都依賴 ECC 記憶體來維持臨床 診斷和治療中使用的患者資料的準確性。
- 航空航太與國防:在高輻射環境下,嵌入式航空電子設備、雷達 系統和關鍵任務應用 需要 ECC 記憶體來防止宇宙射線 二次粒子和太陽粒子事件引起的位元錯誤。
- 電信:基地台、網路 交換器和通訊資料中心依靠 ECC 記憶體來保持 即時語音、視訊和資料傳輸的完整性。
- 汽車:先進駕駛輔助系統 和車載運算平台使用 ECC 記憶體來滿足 功能安全要求,並防止在極端 操作條件下發生安全關鍵故障。
Micron 記憶體用於 企業可靠性
Micron 為對可靠性、效能和資料完整性要求極高的企業和資料中心 環境設計 記憶體。根據產品、記憶體代數和系統架構的不同,許多 Micron 記憶體解決方案支援 ECC 或包含 與 ECC 相關的功能。 。隨著 AI、雲端運算和高效能 工作負載量不斷增加對記憶體的需求,Micron 有助於提供 全天候基礎結構所需的依賴性記憶體基礎。
ECC 記憶體無法防止所有可能的記憶體或系統問題。它 旨在檢測和糾正許多常見的單一位元錯誤,然後 標記更複雜的錯誤,以便系統能夠在資料完整性 或穩定性受到影響之前做出回應。
晶粒內建 ECC 將糾錯電路置於 DRAM 晶片內部, 以管理記憶體裝置本身的錯誤。這對 DDR5 很重要 因為更高的記憶體容量和進階的製程技術使得 內部糾錯成為現代 DRAM 可靠性的重要組成部分。
ECC 記憶體透過在記憶體錯誤破壞模型權重或 運算結果之前修正這些錯誤來保護 AI 模型訓練和推理的準確性。 。作為機器 學習工作負載量擴展到數千個記憶體密集型 操作,即使單一未修正的位元翻轉也可能導致結果無效或 觸發系統故障,以中斷訓練運行。